دوره ساخت مدل‌های یادگیری تصویر پیشرفته: از صفر تا CLIP همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های یادگیری تصویر پیشرفته: از صفر تا CLIP

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: بینایی ماشین و پردازش تصویر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی ماشین و پردازش تصویر
• 2. نمایش تصاویر دیجیتال و ویژگی‌های آن‌ها
• 3. پیش‌پردازش تصاویر: بهبود کیفیت و کاهش نویز
• 4. اعتبارسنجی و ارزیابی مدل‌های بینایی ماشین
• 5. مروری بر شبکه‌های عصبی کانولوشنال (CNN)
• 6. معماری‌های پایه CNN: LeNet، AlexNet و VGG
• 7. شبکه‌های عصبی عمیق‌تر: GoogleNet (Inception) و ResNet
• 8. تکنیک‌های افزایش داده برای بهبود عملکرد مدل
• 9. انتقال یادگیری در بینایی ماشین
• 10. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 11. مفهوم Embedding و فضای نهفته
• 12. معماری مدل‌های CLIP: Contrastive Language-Image Pre-training
• 13. رمزگذاری تصویر در CLIP
• 14. رمزگذاری متن در CLIP
• 15. تابع ضرر Contrastive Learning
• 16. آموزش مدل‌های CLIP با استفاده از مجموعه‌داده‌های بزرگ
• 17. مجموعه‌داده‌های رایج برای آموزش مدل‌های بینایی ماشین
• 18. بررسی عملکرد مدل‌های CLIP
• 19. کاربردهای مدل‌های CLIP در تشخیص اشیا
• 20. کاربردهای مدل‌های CLIP در تولید تصویر
• 21. استفاده از CLIP برای جستجوی تصویر مبتنی بر متن
• 22. استفاده از CLIP برای طبقه‌بندی تصویر Zero-Shot
• 23. بهینه‌سازی مدل‌های CLIP برای منابع محدود
• 24. فشرده‌سازی مدل‌های CLIP با استفاده از Pruning
• 25. Quantization مدل‌های CLIP برای کاهش حجم
• 26. Distillation دانش برای انتقال یادگیری به مدل‌های کوچکتر
• 27. پیاده‌سازی CLIP با استفاده از TensorFlow
• 28. پیاده‌سازی CLIP با استفاده از PyTorch
• 29. استفاده از کتابخانه Transformers برای CLIP
• 30. استفاده از CUDA برای تسریع آموزش CLIP
• 31. مدیریت حافظه در آموزش مدل‌های بزرگ CLIP
• 32. مفهوم Attention در شبکه‌های عصبی
• 33. مکانیزم Self-Attention
• 34. Transformerها در بینایی ماشین
• 35. Visual Transformer (ViT) و معماری آن
• 36. مقایسه ViT با CNNها
• 37. استفاده از ViT برای طبقه‌بندی تصویر
• 38. استفاده از ViT برای تشخیص اشیا
• 39. تکنیک‌های بهبود ViT
• 40. ادغام CLIP و ViT برای عملکرد بهتر
• 41. آشنایی با مجموعه‌داده‌های ImageNet
• 42. آشنایی با مجموعه‌داده‌های COCO
• 43. آشنایی با مجموعه‌داده‌های OpenImages
• 44. بررسی معیارهای ارزیابی مدل‌های بینایی ماشین: دقت، Recall، F1-score
• 45. بررسی معیارهای ارزیابی مدل‌های بینایی ماشین: mAP، IoU
• 46. بررسی معیارهای ارزیابی مدل‌های بینایی ماشین: Precision-Recall Curve
• 47. مقدمه‌ای بر یادگیری بدون نظارت در بینایی ماشین
• 48. خودرمزگذارها (Autoencoders) و کاربردهای آن‌ها
• 49. شبکه‌های مولد تخاصمی (GANs) و کاربردهای آن‌ها
• 50. تولید تصاویر با استفاده از GANها
• 51. تشخیص تصاویر جعلی با استفاده از GANها
• 52. کاربردهای بینایی ماشین در صنعت
• 53. کاربردهای بینایی ماشین در پزشکی
• 54. کاربردهای بینایی ماشین در کشاورزی
• 55. آینده بینایی ماشین و هوش مصنوعی
• 56. مباحث پیشرفته در پردازش تصویر: Segmentation
• 57. مباحث پیشرفته در پردازش تصویر: Object Tracking
• 58. مباحث پیشرفته در پردازش تصویر: Image Enhancement
• 59. مباحث پیشرفته در پردازش تصویر: Feature Extraction
• 60. استفاده از پردازش تصویر در رباتیک
• 61. استفاده از پردازش تصویر در خودروهای خودران
• 62. مفاهیم مقدماتی در پردازش سیگنال‌های تصویری
• 63. تبدیل فوریه در پردازش تصویر
• 64. تبدیل موجک در پردازش تصویر
• 65. فیلترهای خطی و غیرخطی در پردازش تصویر
• 66. تشخیص لبه در تصاویر
• 67. تشخیص گوشه در تصاویر
• 68. تحلیل هیستوگرام تصاویر
• 69. اصلاح هیستوگرام تصاویر
• 70. مفاهیم مقدماتی در آمار و احتمال برای بینایی ماشین
• 71. استنباط بیزی در بینایی ماشین
• 72. رگرسیون خطی و منطقی در بینایی ماشین
• 73. روش‌های خوشه‌بندی در بینایی ماشین
• 74. کاهش ابعاد در بینایی ماشین
• 75. انتخاب ویژگی در بینایی ماشین
• 76. بهینه‌سازی هایپرپارامترها در مدل‌های بینایی ماشین
• 77. تنظیم نرخ یادگیری در آموزش مدل‌ها
• 78. روش‌های regularisation برای جلوگیری از overfitting
• 79. نظارت بر آموزش مدل‌ها و تشخیص مشکلات
• 80. عیب‌یابی و رفع مشکلات عملکرد مدل‌ها
• 81. تفسیرپذیری مدل‌های بینایی ماشین
• 82. روش‌های visualising فعال‌سازی‌های لایه‌های CNN
• 83. اهمیت اخلاقی در توسعه و استفاده از بینایی ماشین
• 84. حریم خصوصی و امنیت داده‌ها در بینایی ماشین
• 85. بایاس در مدل‌های بینایی ماشین و راه‌های کاهش آن